В 2016 году мы увидели огромные инновации, много инвестиций в сферу искусственного интеллекта со стороны крупных компаний и стартапов, большой интерес публики. А что принесёт 2017 год?

1. Демократизация инструментов даст доступ к искусственному интеллекту большему количеству компаний

Недавнее исследование Forrester среди организаций и профессионалов в сфере технологий показало, что 58% из них исследуют возможности искусственного интеллекта (ИИ), но используют системы ИИ только 12%. Отчасти так происходит потому, что только теперь начинают находиться варианты применения ИИ, а также потому, что пока технологии находятся на начальном этапе развития и применять их непросто. Для работы с ними требуется набор определённых навыков и настрой.

Фреймворки вроде Facebook Wit.ai и Howdy Slack стараются превратиться в своего рода Visual Basic искусственного интеллекта, обещая простую разработку интеллектуальных разговорных интерфейсов при не самой высокой степени подготовки разработчиков. Инструменты вроде Bonsai, Keras и TensorFlow упрощают внедрение моделей глубокого обучения. Облачные платформы, такие как интерфейсы Google и Microsoft Azure, позволяют создавать интеллектуальные приложения без необходимости беспокоиться о настройках и поддержке соответствующей инфраструктуры.

2. Мы увидим больше целенаправленных систем ИИ

Мы пока не ожидаем появления больших систем ИИ общего назначения. Однако можно рассчитывать на появление целенаправленных систем, таких как:

Роботизация: персонал, промышленность и розничная торговля
Автономные средства передвижения (автомобили, дроны и т.д.)
Боты: системы управления информацией о клиентах, потребительские (вроде Amazon Echo) и персональные ассистенты
Специфичные для определённых отраслей промышленности системы ИИ: финансы, здравоохранение, безопасность и розничная торговля

3. Экономическое влияние возросшей автоматизации станет предметом обсуждения

В 2017 году есть надежда меньше слышать о том, как злобный искусственный интеллект собирается захватить мир, и больше об экономическом влиянии ИИ. Давно не ново беспокойство относительно потерь рабочих мест из-за ИИ, но теперь стоит ждать более глубоких и подробных разговоров об экономическом влиянии подобного развития событий.

4. Предотвращающие избыток информации системы станут более сложными

В сегменте ИИ ведутся интересные разработки, которые помогут анализировать информацию и предотвращать её избыток, особенно в таких сферах, как:

Понимание натурального языка
Структурированное извлечение данных
Картографирование информации
Автоматическое резюмирование (текст, видео и аудио)

5. Исследователи ИИ будут изучать и иногда решать фундаментальные проблемы

В 1967 году, один из основателей лаборатории искусственного интеллекта Массачусетского Технологического Института Марвин Мински сказал, что в пределах жизни одного поколения проблема создания искусственного интеллекта будет решена. Был он провидцем или ошибался? Пока сказать невозможно, однако ещё предстоит решать фундаментальные проблемы. Впрочем, прогресс не стоит на месте, вот несколько примеров:

Ведутся исследования формирующих блоков, включающих распознавание натурального языка, зрение, речь, улучшенное обучение извлечения информации и оптимизация аппаратных систем (включая себестоимость) для потоков ИИ.
Системы с улучшенным вниманием и памятью будут способны решать больше одной проблемы за раз или более сложные проблемы, такие как предположения и рассуждения. Например, недавно в компании DeepMind был достигнут прогресс в сфере дифференцируемых нейронных компьютеров.
Алгоритмы будут требовать всё меньше помеченных данных; развивается бесконтрольное или полуконтролируемое обучение.
Вдохновляемые ключевыми аспектами человеческого мозга системы, включая интуитивную физику и психологию, быстрое построение моделей и причинно-следственную связь.
Системы ИИ для построения надёжного программного обеспечения. Об этом подробно рассказал Питер Норвиг на конференции O’Reilly AI Conference.

6. Взаимодействие людей и машин станет более насыщенным

В машинном разуме есть многообразие, которое варьируется от чистого машинного интеллекта до дополнения возможностей человека. Разработки в сфере эмоционального интеллекта и обнаружения, и в решениях с участием человека откроют более богатое взаимодействие между людьми и машинным интеллектом.

7. Ожидайте повышенное внимание к проблемам этики и конфиденциальности

Большинство систем ИИ можно описать как чёрный ящик и они чрезвычайно сложные. Связанные с ИИ риски этики и конфиденциальности реальны и требуют тщательного осмысления. Эти проблемы не будут решены в 2017, но можно надеяться хотя бы на прогресс в этой области.

Развиваются все быстрее, им находятся все новые применения. Люди изобретают новые способы обучения машин, а машины учатся обходиться вовсе без людей.

Что было?

Основные прорывы в этом направлении сейчас основаны на глубоком обучении с подкреплением . Например, показал прекрасные результаты самообучения: за три дня нейросеть от уровня начинающего игрока в «Го» дошла до уровня профессионала, одерживающего только победы. Новая модель ИИ AlphaGo Zero обучалась «с нуля» без участия человека, играя только сама с собой.

Неслучайно и первый приз конференции ICML 2017 получила работа Understanding Black-box Predictions via Influence Functions , авторы которой не пытаются строить новые модели, но объясняют, почему существующие модели дают те или иные результаты. Расширяется и онлайн-доступ к образовательным программам глубокого обучения . В рамках проекта AI Experiment в сотрудничестве с Støj, Use All Five и командами Creative Lab и PAIR в Google создана платформа машинного обучения Она позволяет каждому попробовать свои силы в самостоятельном обучении нейросети и понять, как работает машинное обучение.

В суперкомпьютеры, предназначенные для глубокого обучения нейронных сетей, инвестировали исследовательские университеты и учреждения, такие как Oxford , Массачусетская Клиника в Бостоне и GE Avitas Systems . А В США начал работу . Он займется изучением социальных связей и взаимодействия искусственного интеллекта и различных сфер деятельности человека.

Исследователи из Nvidia указывают, что новые методы обучения - например, generative adversarial networks (GAN), поднимут возможности ИИ на невиданные ранее высоты. Не так давно мы рассказывали, как группа ученых из Nvidia научила искусственный интеллект быстро и практически незаметно.

Нейросети использовали и для более «приземленных» задач. Например, в компании Carlsberg запустили исследование . Работу по созданию новых сортов пива помогает выполнять искусственный интеллект, разработанный в Microsoft. В Новой Зеландии появился , дающий «самые умные» предвыборные обещания. А известный производитель реалистичных сексуальных игрушек RealDoll запустил новый , который будет специализироваться на роботизированных секс-куклах с искусственным интеллектом.

При этом нейросетям не чуждо прекрасное. Например, создал красивые спецэффекты к клипу китайской певицы. А российский голосовой помощник с искусственным интеллектом «Алиса» записал к Новому году .

Что будет?

Несмотря на опасения противников ИИ, сфера, несомненно, будет активно развиваться и в наступившем году. Искусственный интеллект должен сделать роботов более умными, медицину - более доступной, а системы распознавания обыденными. Компания Nvidia собрала прогнозы исследователей и экспертов со всего мира, чтобы понять, какое развитие все это получит в будущем.

Эксперты уверены, что ИИ найдет еще более широкое практическое применение в медицине и станет неотъемлемой частью сферы здравоохранения. Например, исполнительный директор Центра анализа клинических данных при Массачусетской Клинике и Бригэмской Женской Клинике Марк Микалски считает, что медицинская сфера перейдет к созданию реальных продуктов для клинической практики. «ИИ начнет проникать в медицину со стороны диагностики, другие сегменты также не заставят себя ждать - его возьмут на вооружение специалисты по профилактике заболеваний, хирурги и врачи других специализаций», - приводятся в исследовании Nvidia слова Марка Микалски.

Врач отделения радиологии и нейрорадиологии Медицинского Центра Векснера при Университете штата Огайо Лучиано Преведелло уверен, что «в 2018 и последующие несколько лет ИИ настолько сильно внедрится в медицину, что будет восприниматься как ее неотъемлемая часть». Из исследовательских лабораторий ИИ перейдет в палату пациента.

Специалисты не сомневаются, что искусственный интеллект глубже войдет и в повседневную жизнь. А разработка ИИ будет происходить в самых разных областях. В том числе, такие технологии будут использоваться в смартфонах. А новые методы глубокого обучения добавят прозрачности обработке данных.

Генеральный директор Orange Silicon Valley и президент исследовательской лаборатории Orange Institute Джорджес Нэон считает, что биометрия уже в этом году заменит кредитки и водительские права. «Распознавание лиц уже перевернуло сферу безопасности благодаря использованию биометрических данных, и, наблюдая, как сливаются технологии и ритейл, например, Amazon с Whole Foods, я думаю, что в ближайшем будущем людям не придется стоять в очередях», - заявил он.

Вся отрасль технологий будет меняться под влиянием искусственного интеллекта уверен управляющий директор по ИИ и руководитель стратегического планирования в Accenture Никола Морини Бианзино: «На ИИ придется 25% расходов на технологии. Ключевым вопросом будет то, как организации и сотрудники будут реагировать на изменения, которые привнесут технологии ИИ».

Также искусственный интеллект все чаще и все эффективнее будет использоваться для создания контента - музыки, изображений, игр, текстов. А «умные» вещи будут становится все умнее и персонализированные. Не далек тот час, когда достаточно будет о чем-то подумать и получить желаемое, считает старший научный работник Nvidia Алехандро Трокколи.

Кай Фу Ли, председатель SinovationVentures, считает, что ИИ «направлен на крупномасштабное сокращение рабочих мест», при этом концентрируя богатства в руках компаний, которые развивают либо принимают ИИ. Другие считают, что подобные страхи присутствовали при появлении всех меняющих мир технологий вплоть до печатного станка в 15 веке.

Economist убеждает читателей в том, что «ИИ создает спрос на работу», и растущее число людей во всем мире «предоставляет цифровые услуги в Интернете». Какие компании и страны будут процветать в эпоху ИИ? Какие сегменты исчезнут, изменятся, будут созданы? Как изменится природа работы?

Военное дело

Сторонник боевых беспилотников утверждают, что такое оружие может поражать цели с гораздо более высокой точностью, чем люди; и чем крупнее роль, которую они играют в театре боевых действий, тем реже техники будут использовать их во вред.

Но что, если такое оружие станет независимым и будет работать самостоятельно, без вмешательства человека? Не приведет ли удаление людей из списка военного персонала к еще более суровой и неудержимой гонке вооружений?

Открытое письмо, опубликованное в ходе Международной совместной конференции по искусственному интеллекту в 2015 году, предупредило, что автономное оружие «не требует дорогостоящего или труднодоступного сырья, поэтому станет повсеместным и дешевым для всех значительных военных сил для массового производства». Будет ли эпоха с автоматизированным оружием более мирной или более воинственной?

Исследователи RAND призывают к аналитической структуре и международным усилиям, посвященным использованию боевых беспилотников высокой дальности в борьбе с терроризмом и точечных убийствах.

Принятие решений

Политики постоянно сталкиваются с огромным числом выборов и мотивов - в дни социальных сетей их много больше, чем двадцать лет назад. Такая информационная перегрузка не позволяет совладать с ситуацией во время кризиса, не говоря уж о множественных кризисах.

Недавно возникло предложение пропускать «все решения, которые принимает президент, через компьютер - не делать окончательный выбор, а помогать руководителю в лице человека».

Но хотя сейчас ИИ по большей части безгрешен, исследование RAND подчеркивает риски появления алгоритмических предубеждений в фильтрации новостей, влияния на уголовное правосудие и даже на предоставление пособий по социальному обеспечению и выдачу виз. Какие решения должны быть возложены на ИИ? Что должно оставаться в руках человека? В руках команды людей?

Творчество

Мир привык к ИИ, который может совершать захватывающие вычислительные подвиги и побеждать людей в популярных настольных играх (прошло чуть более 20 лет с тех пор, как суперкомпьютер IBMDeepBlue лихо победил шахматного гроссмейстера Гарри Каспарова). Как он будет дальше прогрессировать в творческом пространстве людей?

Исследователь искусственного интеллекта Джесси Энгель считает, что он «преобразит творческий процесс… дополнив его умными инструментами, предоставляющими новые возможности выражения». Другие не так оптимистичны. Журналист Адриенн Лафранс отмечает, что ИИ уже может «флиртовать», «писать романы» и «подделывать знаменитые картины с поразительной точностью». Что значит быть творческим? Более того, что значит быть человеком?

Обсуждения ИИ часто сводятся к крайностям, будь то обещание утопии, свободной от человеческих страданий, или опасности антиутопии, когда роботы поработят своих человеческих творцов. Необходим более сбалансированный и тщательный анализ, который поможет сформировать политику смягчения рисков и максимизации преимуществ. Необходимо предпринять определенные шаги для преодоления опасений на тему того, что ИИ поработать государство и общество.

Как ИИ может повлиять на национальные интересы страны? Какие типы ИИ, если таковые имеются, могут считаться стратегическими технологиями с учетом государственных критериев? Где должны сыграть рыночные силы, а где политика? Хотя ИИ по большей части остается уделом научной фантастики, эти вопросы приобретают все большую и большую значимость.

Тема Искусственного Интеллекта (ИИ) доминировала в медийной новостной ленте на протяжении всего завершающегося года. Тон задают основные ньюсмейкеры - Илон Маск и Марк Цукерберг, обсуждая опасности и преимущества использования Искусственного Интеллекта в жизни человека. Россия и Китай заявили о развитии ИИ как о приоритетном направлении в сфере цифровой экономики. 2018 год станет годом развития и дальнейшего изучения возможностей применения ИИ, особенно метода глубокого обучения (deep learning), как наиболее перспективной ветви Искусственного Интеллекта. Расскажу подробнее об этом тренде в области высоких технологий на примере использования ИИ в сфере маркетинга.

Суть действия Искусственного Интеллекта состоит в создании настолько умных машин, что они будут превосходить мыслительные и аналитические способности человека. Машинное обучение (machine learning), базовый метод ИИ, обладает такими возможностями и уже широко используется во многих отраслях экономики и сферах жизни человека. Однако, стремительно развиваются и другие, более совершенные технологии.

Особенно это заметно по темпам развития глубокого обучения, почти полностью повторяющего принцип работы человеческого мозга в обработке данных и моделирования принятия решений. В 2017 году глубокое обучение стало неотъемлемой частью технологических процессов в здравоохранении и автомобилестроении. Маркетинг, как наиболее динамичная составляющая каждого бизнеса, тоже не остался в стороне от использования передовых технологий. Метод глубокого обучения оказал революционное влияние на всю рекламную отрасль.

Работа технологии, используемой в методе глубокого обучения, основана на принципах взаимодействия биологических нейронов. С помощью самообучающихся алгоритмов маркетологи теперь получают описания покупательского потенциала клиента без помощи человека. Например, RTB House недавно провел анализ огромного массива данных, наглядно продемонстрировавший: применение Искусственного Интеллекта вместо рекомендаций опытных маркетологов в ретаргетинговых кампаниях может улучшить результаты конверсии на 35%. И это еще не все. С помощью метода глубокого обучения рекламодатели получают прогноз действий пользователя, основанный на анализе его поведенческих особенностей и желаний. Это в разы упрощает работу маркетолога, предлагая оптимальные варианты целевых рекламных сообщений, где размещаются товары, о которых пользователь даже не догадывался или еще не видел.

Многие крупные бренды уже заметили выгоду от внедрения решений на основе метода глубокого обучения в свои продукты или инструменты маркетинга. В 2018 году мы ожидаем повсеместное использование метода глубокого обучения и увеличение инвестиций в развитие его потенциала.

От «контролируемого обучения» к новым горизонтам

В 2017 году произошел уход от так называемого «контролируемого обучения», типичного для процесса машинного обучения, в сторону более сложной системы «передачи обучения». Эта технология основана на передаче человеческих инструкций компьютеру: анализировать уже существующие модели принятия решений, примеры, наборы данных и их последующий анализ.

Принцип работы «передачи обучения» заключается в способности компьютера обрабатывать данные из симуляций, а не из реальности. Этот процесс намного проще и дешевле, а также быстрее, что очень важно при анализе огромного объема данных. Используя этот метод, машина учится принимать решения сама по себе: с логическими выводами, аналогией или же дедуктивным методом.

Например, при использовании старой модели машинного обучения, машина-автопилот может провезти человека на миллионы километров, пока записываются данные. Эти данные передаются автомобилю, которая понимает как управлять автомобилем на основе решений водителя. Благодаря «передаче обучения» уже отпадает необходимость в реальном водителе. Вместо этого могут быть взяты данные из различных симуляций вождения. Моделируя миллионы часов езды, машина сама понимает куда ей нужно двигаться, и уже она транслирует знания в реальный мир.

Второй подход называется «усиленным обучением». Его цель заключается в обучении компьютера принимать наилучшие решения, основываясь на обратной связи от окружающей среды и действиях, происходящих в ней. Например, как это происходит при участии в торгах за покупку рекламных мест. Аукционные системы очень сложны. Даже у специалистов часто возникают проблемы с определением оптимальной ставки, которая позволит им достичь желаемых результатов с минимальными затратами. Автомобиль столкнется с такими же препятствиями в начале своего движения. Однако, в отличие от человека, автомобиль может функционировать 24 часа в сутки в симуляционной среде. И также может научиться набору действий, причем намного быстрее человека. Возвращаясь к нашему примеру с покупкой рекламных мест, компьютер учится на моделировании аукционов, получая данные о том как действовать наиболее эффективно и, таким образом, выиграть аукцион.

Новые рабочие места и новые задачи

Действительно, принцип работы алгоритмов глубокого обучения абсолютно идентичен работе человеческого мозга. Но, в отличие от людей, компьютеры учатся намного быстрее и умеют анализировать огромнейшие объемы данных. Компьютеры не засыпают и не совершают множество ошибок. Именно здесь играет ведущую роль супер-производительность. Очень простым путем ИИ будет стремиться превзойти человеческие способности во многих областях. В настоящее время самообучающиеся алгоритмы способны намного точнее людей распознавать действия и образы.

Означает ли это, что существует опасность полностью заместить людей роботами? Не совсем. Согласно данным Всемирного экономического форума, 65% детей, поступающих в начальную школу сегодня, получат работу, которой в настоящее время не существует. Текущий уровень развития ИИ позволяет компаниям искать больше ИТ-специалистов, аналитиков данных, программистов. В следующем году у нас, вероятно, появится бум новых предложений о работе для ученых, работающих с данными. Хотя сейчас такое предложение еще не популярно.

Инновации 2017 года получат мощный импульс к развитию в 2018 году

Целями, которые преследует внедрение метода глубокого обучения, являются упрощение нашей жизни и повышение эффективности человеческой деятельности. Именно поэтому использование ИИ уже не стандарт, а необходимость для компаний, которые хотят быть конкурентоспособными на мировом рынке. Речь идет не о возможности персонализации или улучшения возможностей конечного продукта, а также о ряде других непрямых видов деятельности, таких как сбор и анализ данных. Уже сейчас у компаний есть такой большой объем данных к анализу, что они не справляются с их обработкой.

Такая ситуация напрямую влияет на решения, принятые их сотрудниками, и, следовательно, на финансовые результаты. Компании, чей бизнес специализируется на сборе и анализе данных для различных предприятий, будут все более востребованы. Предприятия с более крупными бюджетами будут использовать ИИ для классификации: что предлагать клиентам, какие рекомендовать условия для предоставления поставщикам, как инструктировать сотрудников, что говорить и делать в режиме реального времени. Следует также предположить, что в скором времени возникнет много новых стартапов, предлагающих решения на основе самообучающихся алгоритмов, поскольку эта технология будет широко распространяться.

Искусственный интеллект в 2017 году стал частью нашей повседневной жизни и публичных дискуссий. В ближайшие годы основное внимание будет уделено разработке различных технологий на основе ИИ, которые заменят людей во многих сложных отраслях, что в конечном итоге сделает нашу жизнь намного проще. Но для этого придется еще много трудиться.

Посвящённый технологиям машинного обучения проект WILDML опубликовал краткий обзор важнейших достижений в области искусственного интеллекта за последний год..

Технологии машинного обучения превосходят возможности человека

Пожалуй, самым громким публичным успехом года стало появление новой версии AlphaGo — программы, которая благодаря обучению с подкреплением разгромила чемпионов мира по игре в Го. Из-за огромного количества возможных ходов считалось, что победить в этой игре искусственному интеллекту не удастся ещё как минимум пару лет.

Изначально нейронные сети AlphaGo обучались на человеческих ходах, после чего начинали играть сами с собой, опираясь на метод под названием Monte Carlo Tree Search. Новая модель AlphaZero научилась играть лучше предыдущих версий, не имея никаких обучающих данных. К концу года вышел ещё более усовершенствованный алгоритм AlphaZero, который в добавок к Го играет ещё и в шахматы и сёги. Способности программы поражают даже самых продвинутых игроков, они сами готовы учиться у неё и заимствовать ловкие комбинации. В помощь им DeepMind выпустил специальное обучающее ПО AlphaGo Teach.

Однако Го — не единственная игра, которую освоил компьютер. Программе Libratus , разработанной в Университете Карнеги-Меллон, удалось стать на один уровень с топовыми игроками в покер на 20-дневном чемпионате по техасскому холдему. Чуть ранее покерный бот DeepStack впервые обыграл профессионалов. Его созданли учёные из Карлова университета (Чехия), Чешского технического университета и Университета Альберты (Канада). В обоих случаях игра была «один на один», где генерировать решения значительно проще, чем в игре за полным столом.

Таким образом, следующей вершиной, которую покорят технологии обучения с подкреплением, должны стать более сложные игры с большим числом участников. DeepMind активно работает над превращением среды Starcraft 2 в тестовую площадку для искусственного интеллекта, а бот OpenAI, который один на один победил сильнейших игроков в Dota 2, в недалёком будущем сможет сражаться с профи в игре пять на пять.

Возвращение эволюционных алгоритмов

В контролируемом обучении нейросетей успешно использют метод обратного распространения ошибки, и замену ему найдут нескоро. А в обучении с подкреплением, похоже, снова становятся актуальными эволюционные методы, основанные на других принципах, чем градиентные алгоритмы. Так нейронные сети можно тренировать параллельно и с очень большой скоростью, на тысячах компьютеров. При этом не нужны дорогостоящие графические чипы — можно использовать большое количество (от сотен до тысяч) относительно дешёвых центральных процессоров.

В начале 2017 года исследователи из OpenAI также показали , что эволюционные стратегии могут достичь не худших результатов, чем обычные алгоритмы обучения с подкреплением, например, Q-обучение. К концу года команда Uber в своём блоге привела ряд научных статей, демонстрирующих потенциал генетических алгоритмов и дальнейших исследований. Используя простой генетический алгоритм без каких-либо градиентов, их нейросеть учится играть в сложные игры от Atari, и показывает результаты в десять раз лучшие, чем DQN, AC3 или другие эволюционные стратегии.

Новые модели генерации речи, нейросети, распознающие изображения, и механизмы внимания

Помимо общих фреймворков глубокого обучения, появилось множество фреймворков для обучения с подкреплением:

Сделать глубокое обучение более доступным призваны фреймворки, работающие прямо в браузере, например, deeplearn.js от Google и WebDNN от MIL. По крайней мере один достаточно популярный фреймворк не пережил этот год — Theano . Разработчики библиотеки сообщили, что версия 1.0 станет последней.

Образовательные ресурсы

Со взлётом популярности глубокого обучения и обучения с подкреплением в 2017 стало появляться всё больше онлайн-курсов, лекций и мероприятий. Вот самые качественные из них по мнению wildml:

Лекции по основам обучения с подкреплением и передовые исследования Deep RL Bootcamp, предоставляемые совместно OpenAI и Калифорнийским университетом в Беркли;
Весенний курс Стэнфорда по применению свёрточных нейросетей к компьютерному зрению. Стоит заглянуть и на официальный сайт курса;
Зимний курс Стэнфорда по глубокому обучению в обработке естественного языка. И страница курса;
Курс по теориям глубокого обучения от Стэнфорда;
Новая DL-специализация на Coursera ;
Материалы Летней школы по DL и RL в Монреале;
Осенний курс Калифорнийского университета в Беркли, посвящённый машинному обучению ;
Конференция для разработчиков Tensorflow Dev Summit и выступления об основах глубокого обучения и изменениях в API;
Материалы со многих научных конференций сейчас стали выкладывают в сеть. Узнать всё о передовых исследованиях можно из записей с NIPS 2017 , ICLR 2017 и EMNLP 2017 ;

На ресурсе arXiv исследователи также размещают бесплатные учебные материалы и научные статьи. Вот несколько занимательных примеров:

Deep Reinforcement Learning: An Overview — обзор последних достижений в RL;
A Brief Introduction to Machine Learning for Engineers — краткое введение в машинное обучение для разработчиков;
Neural Machine Translation — про нейронный машинный перевод;
Neural Machine Translation and Sequence-to-sequence Models: A Tutorial — гайд по нейронному машинному переводу и модели обучения sequence-to-sequence.

ИИ в медицине

В 2017 году прозвучало много смелых заявлений о том, что технологии глубинного обучения в медицине превзойдут способности человека. Но несмотря на ажиотаж, оценить значимость открытий человеку, далёкому от медицины, совсем не просто. Достаточно исчерпывающе о них рассказывает в своём блоге The End of Human Doctors Люк Оукден-Райнер . Вот выжимка наиболее важных моментов.

Одной из самых громких новостей стало создание исследователями Стэндфордского университета алгоритма глубинного обучения, который диагностирует рак кожи не хуже квалифицированных дерматологов. Об этом можно почитать на сайте Nature . Ещё одна команда из Стэнфорда разработала модель машинного обучения, способную эффективнее врачей выявлять признаки аритмии по ЭКГ.

Не обошлось в в 2017-м и без проколов. Много вопросов возникло по поводу сделки DeepMind и Национальной службы здравоохранения Великобритании , которая открыла доступ к данным пациентов. Национальный институт здоровья США предоставил научному сообществу более 100 тысяч рентгеновских снимков грудной клетки, однако позже оказалось, что они бесполезны для обучения нейросетей.

ИИ в искусстве

Всё интенсивнее применяется генеративное моделирование для порождения изображений, скетчей, музыки и видео. На конференции NIPS 2017 впервые был проведёт мастер-класс на тему ML в творчестве и дизайне.

Настоящий прорыв в 2017 году совершили генеративно-состязательные сети (GAN). Впечатляющие результаты показали модели CycleGAN , DiscoGAN и StarGAN , которые умеют, например, рисовать лица. Обычно GAN-ам тяжело давались реалистичные изображения высокого разрешения, но pix2pixHD может исправить это уже в скором времени.

ИИ для беспилотных автомобилей

Крупнейшие разработчики самоуправляемых авто — сервисы по заказу такси Uber и Lyft, Waymo (дочка Alphabet) и Tesla. Uber начала год не совсем удачно: в Сан-Франциско их беспилотник несколько раз проехал на красный — из-за сбоя программы, а не по вине водителя, как сообщалось ранее. Uber также поделилась некоторыми деталями о своей платформе для визуализации данных. К декабрю машины Uber преодолели в автономном режиме более 3,2 млн км.

Между тем, в апреле первых клиентов прокатили беспилотные авто Waymo, а в Финиксе компания полностью отказалась от «живых» водителей в тестировании. Компания также о том, как обучает в режиме симуляций и тестирует свои авто.

Lyft объявила о работе над собственными процессорами и соответствующим ПО и уже тестирует его в Бостоне. Автопилот Tesla значительно не изменился, но зато у него появился новый конкурент — Apple. Тим Кук подтвердил, что его компания разрабатывает ПО для самоуправляемых авто, некоторые работы исследователей уже можно найти на arXiv.

Исследовательские проекты

В 2017 года вышло огромное количество впечатляющих проектов и демо, упомянуть все в одном обзоре невозможно. Вот лишь некоторые разработки:

Нейросети, умеющие самостоятельно менять фон изображений ;
Модель для создания